行为建模（精选7篇）
行为建模 篇1
ADC是数据采集系统的重要部件, 常用的高速高精度ADC主要分为:并行ADC (FLASH ADC) 、流水线ADC (Pipeline ADC) 、过采样ADC (Sigma-Delta ADC) 等。在实际电路设计中, ADC采样率和分辨率是一对矛盾, 要实现高采样率就难以达到高分辨率。FLASH ADC采样率最高, 常用于500 MS/s以上采样率的场合, 比如超宽带通信, 但其分辨率一般只能达到4~8位, 是常用的高速数据采集ADC。
1 设计简介
在集成电路数模混合设计中, 通常采用自顶向下的设计流程, 如图1所示。为了提高电路设计效率及仿真速度, 对电路进行行为级建模已经成为设计的重要环节[1]。
本文基于Matlab和Simulink[2]工具分析FLASH ADC的架构特点并建立单通道FLASH ADC的行为级模型, 充分考虑各非理想特性并进行仿真分析, 为ADC系统指标分配及具体的电路设计提供了有力的参考条件。
2 FLASH ADC结构特点
图2为FLASH ADC的结构框图[3], 参考电压Vref经分压电阻网络输出若干个参考电压, 和输入的模拟信号Vin输入至比较器阵列, 得到比较值组成温度计码, 该温度计码值经编码器得到输出的数字信号Data_out。
3 建模考虑
FLASH ADC建模需要考虑的因素主要包括各种系统噪声及各子电路的非理想特性。
对FLASH ADC系统性能影响最关键的电路是采样电路和比较电路。FLASH ADC系统通常采用钟控锁存比较器同时实现采样和比较功能, 对该系统行为级建模的重点是对钟控锁存比较器的非理想特性进行建模。
本文主要研究的非理想因素如下:
(1) 时钟抖动。对于钟控锁存比较器, 时钟抖动 (Clock Jitter) 效应指理论采样时刻与实际采样时刻的偏差导致采样数据的偏移。采样周期的不精确可直接导致采样后信号的不精确, 对ADC动态范围影响很大, 这种误差是调制器所不能改善的, 因此必须对时钟抖动电路进行建模, 在Simulink中分析其对信噪比的影响, 由设计所需要达到的精度来决定系统所要求的时钟抖动的大小。设信号函数为f (t) , SHA电路在理想采样时刻n T的采样值为f (n T) , 实际采样值为f (n T+ΔT) , 假设f (t) 一阶可导, 可知当ΔT很小时极限运算转换为:f (n T+ΔT) =f (n T) +ΔTf′ (n T) , 通常将时钟抖动分布按照高斯分布来处理[4], 根据原理, 对时钟抖动建立模型如图3所示。
(2) 比较器噪声。比较器电路的噪声主要由晶体管的热噪声引起, 晶体管热噪声应满足高斯分布特性。不同的电路结构所产生的影响是不同的, 因此只能对整体的比较器噪声进行建模分析[4], 如图4所示, In1为噪声比例系数, 与噪声相乘得到比较器噪声Out。
(3) 精度问题。精度是指能够产生正确的数字输出的最小差分输入信号, 影响FLASH ADC精度的主要因素有噪声、比较器的增益和输入失调。其中比较器的失调电压 (Offset Voltage) [3]是指使输出电压为规定值时, 两输入端间所加的直流补偿电压, 其值越大, 说明电路的对称程度愈差。比较器的开环增益比较高, 抗干扰能力差, 正负输入端极小的差异就可引起输出的变化, 因而失调电压是比较器最主要的电性能参数, 在比较器设计中, 需要采取措施尽量减小失调电压的影响。
(4) 迟滞效应。实际电路设计中, 钟控锁存比较器均存在的迟滞效应会影响ADC系统精度。
理想比较器的输入/输出传输特性为:
式中:Vin为比较器输入;Vout为比较器输出;Vout_P, Vout_N为比较器输出的正负值。引入比较器的失调电压和迟滞性后, 比较器的非理想模型可表示为[5]:
式中:Voff为失调电压;Vhys为迟滞电压;Vout_prev为比较器的前一个输出值。比较器的Simulink模型可简单地用非线性模块组中的Relay模块来实现。
4 行为级建模
4.1 比较器行为级建模
本文主要用Simulink建立FLASH ADC非理想行为级模型, FLASH ADC系统非理想特性主要由比较器的非理性特性决定, 比较器的非理想性特性主要包括失调电压和电阻梯度的失配特性[1], 由此建立模型如图5所示。
4.2 FLASH ADC行为级建模
根据图2所示FLASH ADC的结构, 可构建其行为级模型。电阻梯度的输出电压可以用参考电压乘以相应的增益来实现, 将理想模块封装为时钟边沿触发的使能系统, 就可模拟钟控比较器的行为, 将15个比较器的输出结果通过温度码——二进制码译码器, 输出的结果就是4位二进制码表示的数字信号。加入比较器失调电压、迟滞特性等因素, 建立非理想4-bit FLASH ADC模型如图6所示。
5 仿真结果
5.1 ADC系统非理想特性分析
(1) 时钟抖动。图7所示为仿真得到的FLASH ADC系统SNR与采样时抖动之间的关系, 采样时钟抖动从0.000 1 ps扫描到1 000 ns。从图中看出, 采样Clock Jitter会造成采样信号的偏差, 从而降低系统的信噪比 (SNR) , 因此为了保证系统的稳定性, 降低Jitter噪声的影响, 考虑一定的余量, 采样时钟抖动应小于10 ns。
(2) 失调电压。图8所示为仿真得到的FLASH ADC系统SNR与失调电压 (OFFSET) 之间的关系, 失调电压从1 p V扫描到1 V。从图中看出, OFFSET越大, 系统信噪比越小, 为保证系统正常工作, 考虑一定的余量, 失调电压应小于1 m V。
(3) 比较器噪声分析。图9所示为仿真得到的FLASH ADC系统SNR与比较器噪声 (Comparato Noise) 之间的关系, 比较器噪声从0.1 n Vrms扫描到1 Vrms。从图中看出, 比较器噪声过大会造成系统整体噪声的增加, 从而降低系统的信噪比。为保证系统正常工作, 降低比较器噪声影响, 考虑一定的余量, 比较器噪声应小于100μVrms。
(4) 迟滞效应分析。图10所示为仿真得到的FLASH ADC系统SNR与迟滞电压之间的关系, 迟滞电压从1μV扫描到1 V。从图中看出, 迟滞电压过大会降低系统的信噪比, 为保证系统正常工作, 降低迟滞效应的影响, 考虑一定的余量, 迟滞电压应小于1 m V。对于高速高精度的FLASH ADC系统, SNR和ENOB是恒量系统性能的重要指标, 通过分析仿真结果可知, 随着时钟抖动、失调电压、比较器噪声及迟滞电压的增大, 系统的SNR、SNDR及ENOB减小, THD增大, 由此可以估计各非理想参数的范围, 如表1所示。
5.2 ADC系统时域分析
当输入一个缓慢变化的斜坡信号时, 可获得ADC模型的静态特性。如图11所示。
图11中, 用斜坡信号测试方法观察理想和非理想ADC的传输特性差别, 可看出非理想ADC的量化台阶不均匀, 包含DNL和INL误差, 对于高速高精度的FLASH ADC系统, 恒量高精度的时域指标是系统的INL和DNL, 非线性误差为恒量ADC系统的典型静态特性参数, 并决定ADC的有效位数。从图12中可以看出, 系统的INL误差在-0.035~0 LSB之间, 系统的DNL误差在-0.004 2~0.001 LSB之间, 从时域分析方面表明FLASH ADC系统级的设计满足系统高精度性能的要求。
5.3 ADC系统频域分析
用FFT法分析非理想ADC的行为级模型, 可得到理想和非理想行为级模型的ADC输出频谱。如图13所示, 相比较于理想模型的输出频谱, 非理想模型在电路固有量化噪声的基础上叠加了很多噪声分量, 其输出信号的谐波电平比理想情况高, 实际信噪比降低, ADC系统输出的有效位数减小。通过适当提高电路性能, 可提高整个ADC系统的信噪比等特性。
6 结语
本文依据Simulink对数/模混合电路建模的思想, 根据比较器的特性建立了比较器的理想和非理想行为级模型, 并在此基础上建立了一个单通道4-bit FLASH ADC的行为级模型。通过分析单通道ADC的时钟抖动、失调电压等特性, 验证ADC的结构和误差因素, 确定ADC的非理想特性对其整体性能的影响, 对后续的实际ADC设计具有一定的指导意义。但是单通道ADC的采样率很有限, 在后续设计中应采用时间并列结构, 使多个单通道ADC并行工作, 以达到超高采样率,
参考文献
[1]游恒果.高速低功耗比较器设计[D].西安:西安电子科技大学, 2011.
[2]刘海涛, 孟桥, 王志功.基于0.18 μm CMOS工艺的2 GS/s 6 比特全并行数/模转换器设计[J].高技术通讯, 2010 (2) :180-184.
[3]刘海涛.超高速ADC芯片设计及测试方法研究[D].南京:东南大学, 2010.
[4]王婷婷, 周云, 于胜军, 等.单斜率ADC行为级建模与仿真[J].微处理机, 2011 (2) :14-16.
[5]张东路, 吕坚, 蒋亚东, 等.多参数流水线A/D转换器的系统模型设计与仿真[J].微电子学, 2010 (1) :114-117.
[6]严少石.高速数据采集ADC行为级建模与关键模块设计[D].长沙:国防科学技术大学, 2007.
[7]郝俊.超高速全并行模数转换集成电路设计[D].南京:东南大学, 2007.
[8]吴毅强, 吴金, 汪少康, 等.一种基于循环ADC结构的可配置Pipeline ADC系统设计[J].电子器件, 2007, 30 (6) :2069-2076.
[9]LIU Hai-tao, WANG Zhi-gong, MENG Qiao, et al. A biasswitch-multiplexing comparator for the ADC used in SWR [C]//Processing of WCSP 2009 International Conference on Wireless Communications & Signal. Nanjing, China:WCSP, 2009:1-4.
[10]MALCOMATI P, BRIGATI S, FRANCESCONI F, et al.havioral modeling of switched capacitor sigma-delta modulators [J]. IEEE Transactions on CAS, 2003, 55:352-364.
行为建模 篇2
社交网络是以人类或组织的社交活动作为研究对象,并将其抽象为个体间相互作用的网络。二十世纪90年代以来,人们对一些社交网络实证数据的分析表明,社交网络的结构既非规则网络那样明了,亦非随机网络那么毫无规律[1]。1998年Watts和Strogatz提出了WS网络模型[2],1999年Barabási和Albert提出BA网络模型[3],由此掀起了研究社交网络演化机制的热潮。
随着研究的深入,人们发现社交网络不仅需要用加权网络来表示,而且社交网络具有大聚类系数特性和局域世界特性[4]。大聚类系数反映的是生活中“物以类聚,人以群分”的特性;局域世界特性说明网络基本单位是社团结构。Barrat、Barthélemy和Vespignani提出了BBV加权网络模型[5]。Li和Chen利用局域优先连接机制代替全局优先连接机制,提出局域世界(Local-World)模型[6]。
近年来科研人员在社交网络中发现,个体间的交往应考虑方向性,而且不同个体有着不同的节点活跃度、节点吸引力等个体特征[7]。因此需要在网络建模中引入边方向性和节点特征。
同时,由于社交网络实证数据获取的敏感性和困难性,许多理论模型无法与实证数据进行对比分析,这是现阶段制约社交网络研究进一步发展的瓶颈[8]。
本文在局域世界网络模型基础上,结合边方向性和节点特征,提出一种加权有向网络的局域世界演化模型,并利用国内某地区数千名匿名移动手机用户为期三个月的移动通话记录实证数据来验证模型的正确性。仿真实验结果表明,该模型能反映社交网络的拓扑特性和演化规律。
1 相关知识
1.1 社交网络
社交网络可描述为由点集V和边集E构成的图G=(V,E)。节点数为,边数为。如果点集中的任意节点对(i,j)与(j,i)对应于同一条边,则网络称为无向网络(Undirected network),否则称为有向网络(Directed network)。如果网络的每条边都有权值wij,则该网络称为加权网络(Weighted network),否则就称为无权网络(Unweighted network)。
1.2 移动通话网络
MCG(Mobile Call Graph)网络是社交网络的一个子集,它把移动手机用户看作网络中的节点,用户的通话关系看作网络中的边,边权值wij用手机用户之间的通话次数来表示。同时,手机通话有被叫和主叫之分,每次呼叫都具有方向性。所以MCG网络是一个加权有向社交网络。
研究表明,MCG网络是现阶段研究真实社交网络最有效的背景数据之一[9]。-
2 无权局域世界模型
无权局域世界模型的构建方法如下:
(1)初始化:首先建立一个具有m0个节点和e0条边的随机网络。
(2)网络增长性:在每个时间步,新加入一个节点和m条边。在t(t 0)时刻,根据局域世界优先连接原则,从已经存在的网络中随机选取M个节点(M N),作为新加入节点n的局域世界。新加入的节点n根据局域世界优先连接概率
来选择与局域世界中的m个节点相连。其中ki表示节点i所连接的边数,即节点强度。
该模型的优点就是易扩展性,容易针对特定网络进行改进。本文依据MCG网络的特点,提出三点改进措施:
(1)社交网络的基本单元是社团结构。因此,局域世界的构造应选择社团划分作为局域世界的构造方法。
(2)社交网络时刻处于动态演化中,除了考虑当新节点加入网络所引起的变化,同时要增加网络自身动态演化。
(3)社交网络中每个个体具有不同的节点特征信息,要为每个节点增加特征向量。
因此,本文在无权局域世界模型基础上,通过引入边的权值动态演化和边的方向选择,同时考虑社交网络的节点特征,提出了一种考虑节点特征的加权有向局域世界模型。
3 考虑节点特征的加权有向局域世界模型模型的构建方法如下:
3.1 初始化
建立一个具有m0个节点和e0条有向边的随机网络,每条边初始化权值w0为1。每个节点i特征向量为Xi=(xi1,xi2,…,xim)。对初始网络进行社团划分,得到T个社团。
3.2 网络增长性
(1)在每个时间步,新加入一个节点n和FA(Xn)条有向边。其中,FA(Xn)代表节点在每个时间步内发出的连接数,即节点活跃度。
(2)局域世界选择。根据局域世界优先连接原则,新加入的节点n首先加入一个局域世界S。局域世界S的选择有两种:1)以概率P1从网络中随机选取M个节点(M max{FA(Xn)})作为新加入节点n的局域世界S。2)以概率(1-P1)从网络选择一个社团作为新加入节点n的局域世界S。根据择优选择原则,社团C被选中的概率:
(3)新边的连接:节点n向局域世界S中的F A(X n)个节点发出连接(当FA(Xn)Ms),局域世界S中的节点i根据局域世界优先连接概率
来选择与局域世界中S的FA(Xn)个节点相连。若FA(Xn)>Ms时,新加入的节点n除了向局域世界S中的所有Ms个节点发出连接外,还向局域世界S外的(FA(Xn)-Ms)个节点发出连接,节点i根据择优连接概率
来选择与局域世界外的(FA(Xn)-Ms)个节点相连。
(4)新节点加入引起的动态演化:当新节点n加入局域世界S后,这个局域世界内的所有节点会受到新节点加入的影响,节点权重都会增加。局域世界中的节点i增加的权重与成正比。假设整个网络新增加负载为一个常数W,则局域世界中节点i增加的权重为:
节点新增加的权重通过以i为起点的边分担,每条边分配的权值与wij/si成正比。因此边的权值wij以及节点i的权重都会发生改变,从而影响网络的动态变化。
3.3 网络自身演化:
每个节点n依据节点活跃度FA(Xn),接收到网络其他节点对其发出的w·FA(Xn)条连接。w为一常量,用来调节自身演化占动态演化的比重。
可以看出,本文提出的模型在考虑网络规模动态增长的同时,兼顾了网络自身的动态演化和节点特征带来的影响,较之于已有的社交网络模型,能更真实地刻画网络的动态演化特性和拓扑结构特性。
4 实验结果及分析
数据来源:由项目合作单位提供的某地区数千名移动用户(匿名化)为期三个月的移动通话话单记录,通话话单记录的数据格式如表1所示。
通过统计分析每个用户号码的通话次数,我们可以计算出节点活跃度FA(x)概率分布如图1所示。
我们可以得出,节点活跃度分布呈负指数分布,分布函数FA(x)≈2.6×4.1-x。然后将节点活跃度公式代入模型进行仿真。
采用MATLAB作为仿真工具,先在MATLAB中生成仿真模型的网络拓扑,然后计算网络的特征,最后在MATLAB中绘制特征分布情况,并与真实MCG网络的特征进行对比分析。图1为初始网络节点数m0=50,一个时间步代表1天,模拟经过3个月的仿真模型节点强度分布图和真实MCG网络的节点强度分布图。
如图2所示,仿真模型节点强度分布的规律整体呈现幂律特性,且仿真模型和真实MCG网络的幂律指数都介于2.5～3之间,符合现实社交网络建模要求。从图中还可以看出,在网络的生成过程中,由于引入了局域世界内部的演化和节点特征,增加了网络内部的连接数,使得该模型节点的强度分布比较均匀。因此该模型较好地反映了现实社交网络的拓扑特性。
5 结束语
本文于局域世界模型的基础之上,在引入边权重和边有向性的同时,结合社交网络的节点特征,提出一种新的加权有向局域世界模型,并动态模拟了网络的生成过程。仿真结果表明,该理论模型节点强度具有幂律分布的特性,且幂律指数与实证MCG网络数据的幂律指数近似。因此,该模型大致反映了移动通话网络发展演化的规律,为进一步分析移动通话网络奠定了一定的基础。同时,由于收集数据量较小,且社交网络还有其他客观因素影响其演化和发展,故文中的研究具有一定的局限性,有待在此基础上进一步学习和研究。
摘要：文章在局域世界网络模型基础上,结合社交网络的个体特征,提出一种考虑节点特征的有向加权局域世界模型。仿真实验结果表明,该模型节点强度具有幂律分布的特性,且拓扑特性与真实移动通话网络相符。
关键词：移动通话网络,网络建模,局域世界模型
参考文献
[1]郭进利,周涛,周宁.人类行为的动力学模型[M].上海:上海系统科学出版社,2008:4-6.
[2]WattsDJ,StrogatzSH.Collectivedynamicsof'small-world'networks[J].Nature,1998(393):440-442.
[3]Barabasi A L,Albert R.Emergence of scaling inrandom networks[J].Science,1999,286:509-512.
[4]LiX,JinYY,ChenG.Complexityandsynchronizationof the world trade web[J].Phys A,2003(328):287-296.
[5]BarratA,Barthélemy M,VespignaniA.Weightedevolving networks:Coupling topology and weightdynamics[J].Phys.Rev.Lett.A,2005(92):228701.
[6]Li X,Chen G.A local-world evolving networkmodel[J].Phys A,2003(328):274-286.
[7]Amaral LAN,ScalaA,Barthelemy M,Stanley H E.Classes of small-world networks[J].Proc.Natl.Acad.Sci,2004:11149-11152.
[8]Song C M,Koren T,BarabasiAL.Modeling thescaling properties of human mobility[J].NaturePhys.2010(6):818-823.
行为建模 篇3
随着社会经济的发展,城市人口迅速增加,地铁站、超市、场馆、写字楼等公共建筑内聚集有大量人员,紧急情况下人员快速、安全地撤离具有重要的现实意义。疏散过程由一系列的个体决策决定,出口选择是其中最重要和复杂的决策行为之一,尤其是对于多出口场景。大规模人群疏散时出口等瓶颈位置常常形成拥堵,行人根据对疏散时间的估计和可接受水平可能改变目标出口。因此,本文关注的是行人在寻路过程中的出口选择,研究出口选择的影响因素并建立个体决策模型和程序。
影响出口选择的因素众多,最基本的因素是个体距离出口的路线距离,这基本上是所有疏散模型中出口选择的基本原则。但是也观察到行人并不总是选择最近的出口。Fang et al.(2010)[1]和Aik(2011)[2]通过在具有两个邻近出口的教室内进行的疏散实验,发现行人在人群密度足够高的情况下为了更快地撤离会选择较远的出口。Heli9vaara et al.(2012)[3]提出了一个实验,在一条走廊上有两个进入同一个房间的门,行人聚集在走廊一端同时出发去往这个房间,在以合作行为为目标的情况下,即使从较近出口疏散可能更快,参与者最终选择较远的出口。Mu et al.(2016)[4]通过实验显示行人会避免和其他人的冲突和碰撞。但需要注意的是当行人非常接近出口时或者在压力大的情况下,行人不太可能为了避免出口的拥堵而改变初始的选择[5]。通过调查和实验也得到了一些关于出口选择的结论数据。Shields&Boyce(2000)[6]说明了行人会选择较近的出口而较少选择熟悉的出口、工作人员指示的出口或跟随他人。Shi et al.(2009)[7]说明了选择熟悉出口(54.7%)和选择紧急出口(45.4%)的人数相差不大,而且选择的理由为熟悉出口的占19.5%、最近出口占50.1%、工作人员指示的出口占25.2%、跟随他人或他人指示的出口占5.2%。Augustijn-Beckers,Flacke&Retsios(2010)[8]发现跟随出口标识的行人比例,学生为69.2%,超市工作人员为48.6%;返回主出口和跟随他人的行人比例基本相同。从现有的实验和调查数据来看,出口选择和偏好尚没有统一的结论。而且由于调查或实验场景的不同,也缺乏重复性,结果对于其他情景不一定适用。
为了将出口选择纳入疏散模拟,一类方法是通过定义出口的类型和选择顺序。Korhonen&Hostikka(2008)[9]认为疏散者趋向于选择熟悉出口路径即使存在更快的路线到达出口,因此在他们开发的FDS+EVAC软件的设计中将根据可见性、熟悉度和干扰条件三方面将出口划分为8类,并设定了这8类出口的偏好优先顺序。Guo&Huang(2008)[10]将出口分为三类:可见出口、熟悉但是不可见的出口、由应急标识或邻近行人提供信息的出口。Duives&Mahmassan(2012)[11]给定了三类行为的行动优先顺序———直接去往最近可知或可见的出口、跟随他人以及观察亲友的反应。然而以上学者的出口分类存在相互包含的情况,一个出口有可能属于不同的出口类型。另一类方法通过改进疏散模型中势场的计算方法或行为规则的设计来确定选择的出口。Lo,Huang&Yuen(2006)[12]提出了一个博弈论模型,其中支付矩阵的计算考虑到了出口的距离、人群密度和出口宽度,这些因素都和排队长度相关。博弈的混合策略纳什均衡描述了疏散者和出口拥堵状态的均衡。Yuan&Tan(2007)[13]和Liu et al.(2009)[14]在计算行人移动方向的概率时考虑到了行人密度的因素。同样考虑到出口的距离、人群密度和出口宽度等因素,Guo&Huang(2008)[15]和Xu,Huang&Yong(2012)[16]应用了离散选择模型以及Yue et al.(2011)[17]提出了一个新的距离来计算初始的出口选择策略。Aik(2011)[18]使用神经网络作为智能控制器来将行人导向使用率最低的出口,神经网络的变量为元胞自动机中邻近行人的运动状态、出口的距离和方向。出口选择往往应用到优化方法以最小化疏散时间或能量消耗为目标进行决策。
现有的模型在一定程度上能够描述疏散初始和过程中的出口选择,但是仍然有一些问题需要解决和改进。首先,影响出口选择的因素涉及到不同方面,例如建筑空间设计、行人位置分布和行人知识,现有疏散模型涉及到的因素不同,并没有对这些因素进行区分和覆盖。第二,对于同一影响因素的表达有不同定义方式,例如出口前的行人密度,可表示为矩形或半圆形区域内的人数、距离出口距离小于决策者的人数或决策者视野范围内的人数,但哪种方式更好没有得到证明。最后,现有模型对疏散过程中的出口重新选择没有清晰的描述。因此,本文分析了人群分布及拥堵对个体出口选择的影响,基于离散选择模型建立了疏散出口选择模型,模型考虑到了影响疏散时间的因素以及出口类型的偏好程度;并且研究了个体改变目标出口的触发条件,设计了疏散出口选择的决策程序。将提出的模型和程序引入Building EXODUS软件进行人群疏散仿真,对比和验证了不同模式下得到的疏散模拟结果。
1 出口选择模型
出口选择模型基于多元Logit离散选择模型,效用函数根据疏散时间构建,行人疏散时间的估算主要分为两部分———自由行走时间和等待时间,其中自由行走时间受到决策者距出口距离和行走速度的影响,等待时间受到行人密度/数量、出口宽度和出口流率的影响。除了外部因素,决策还受到决策者知识和经验的影响,从而在模型中还引入了偏好程度参数,相当于对不同类型出口的权重。
出口类型在我们的研究中根据服务状态分为日常使用出口和应急出口。假设建筑内有K个出口(k-1,...,K)。出口k的类型为sk∈S。行人i(位置(ix,iy))在时刻t选择出口k的概率由下式计算:
式中:θik=1/βksk是一个常数;βksk表示行人i对出口类型sk的偏好程度;效用函数Ttik定义为:
式中:系数αi表示不耐心程度。Qtik=Ntik/(fk·wk)为估计的等待时间,Pai为行人i的忍耐时间(patience time,Pa)。VCAk是出口k的可见范围(visibility catchment area,VCA),这里假设为半圆形,半径等于行人的可见距离。
效用函数中的距离因素:
效用函数中的等待时间因素:
式中:dtik为时刻t行人i到出口k的距离,由出口k的静态场计算;Ntik为时刻t行人i估计的出口k前的排队人数,根据1.1小节定义的计数区域来计算;fk为出口k的单位流率,wk为出口宽度。
1.1 人群分布对出口选择的影响
分析了人群分布对个体逃生的影响,从而确定出口前排队人数参数Ntik的计算方法。设计疏散仿真实验,疏散场景为30 m×20 m的单出口房间,如图1(a)所示,其静态场如图2所示。设定出口坐标为(0,0),标记行人的初始位置固定在(0,15),将集中在5 m×5 m区域内100人组成的人群(4 person/m2)放置于标记行人和出口之间的不同位置(人群的中心位置坐标见图1(b),由于房间的对称性,只执行半个房间的位置)。利用Building EXODUS软件进行疏散模拟,实验结果是重复300次的平均值。
无论人群的位置在哪,95%的行人逃出房间的平均疏散时间在150~160 s之间,符合的理论值,但是不同人群位置下标记行人的疏散时间差别较大,如图3所示。可以解释为群体的速度普遍小于个体速度,如果群体不在标记行人到出口的路径上,群体中只有少数人能够到达并行走在标记行人前面,而且单个行人穿过一个相对静止的人群比穿过同运动方向的人群容易。设置100人的人群以不同的密度但质心位置相同(0,9)的不同情况,发现标记行人的疏散时间区别不显著,如图4所示,因此可以忽略密度的影响。
根据标记行人疏散时间的分布规律,定义了一个计数区域,见图2中黑色圆形和等势线相交的区域。从而,模型中出口前行人数量Ntik表示为在决策者视野范围内且势场值小于决策者的行人数量。
1.2 出口选择触发条件及仿真步骤
行人在开始运动时进行初始的出口选择,形成路径规划,在逃生过程中,当达到一定条件将进行出口的重新选择,有可能改变目标出口。触发条件主要是拥堵情况超过了行人的可接受水平,具体可描述为行人刚看见出口时以及行人停顿等待的时间大于忍耐时间时。因此,个体决策的仿真流程如图5所示。OEK(occupant exit knowledge)表示行人知道的出口集合;CWT(cumulative waiting time)为累积等待时间,每当行人的忍耐时间耗尽时CWT重置为0。
步骤1,初始化行人位置,所有行人根据出口选择模型确定初始的目标出口。对于不在行人i熟悉范围内的出口kOEKi,设置其选择概率为Ptik=0。特殊情况下,行人不知道任何出口位置即OEKi=,该行人将跟随周围行人运动,直到进入某个出口的VCA(假设为出口A),将出口A增加到他/她的熟悉出口集合OEKi中。
步骤2,根据疏散模型动态更新行人位置,在这个过程中,一旦行人第一次进入某一出口的可见区域VCA或者累积等待时间大于忍耐时间CWT>Pa,将根据出口选择模型对目标出口进行一次重新选择。
步骤3,到达出口后的行人将从系统中移除,当所有行人都离开疏散空间仿真结束,否则返回到步骤2。
2 多出口疏散仿真
将出口选择模型嵌入到疏散软件Building Exodus中,对某超市场景(图6)进行了疏散仿真。软件参数为fk=1.33 persons/(m·s),VCA半径为15 m,不耐心程度假设为αi=mean{Pai}/Pai,每个场景运行次数为50次。这个超市场景的日常出口为3、4、5、6,应急出口为1、2、7、8,特殊之处在于超市内部存在很多货架和收银台等障碍物,出口之间被不规则的墙相隔开,大大减小了出口标识的可视范围,如图7显示的出口3和出口6的VCA;而且,虽然日常使用的出口非常接近,但实际路径距离很远,如出口3和4以及出口5和6。
分别利用三种模式对此场景进行人群疏散模拟,模式一只用到软件的基本功能,即行人根据静态场到达出口;模式二用到了软件的“冲突避免(congestion avoid)”功能,该模式下行人考虑到了出口排队时间,但是只有当个体处于出口标识的可视范围内且没有被其他个体完全包围的条件下才会改变出口选择;模式三在软件中嵌入了我们提出的出口选择模型。
图8分别显示了三种模式的疏散仿真过程,模式一明显不符合现实,模式二和模式三都能模拟重新选择出口和在不同出口间徘徊的现象。模式二中行人可以根据出口3的拥堵情况转向其他出口,但是对出口6不起作用,主要是因为模式二的冲突避免函数强烈依赖于出口标识的可见区域VCA,如图7所示,出口6的VCA太小以至于进入的行人离出口太近而不会再转向其他出口。模式三的人群分布更加均衡,而且疏散时间最少,见图9的对比。模式三与模式二的区别在于:前者为出口的角度,后者考虑的是行人的视角,因此对出口处排队人数的定义更加科学,并且出口选择的触发条件增加了对排队时间和忍耐时间的比较。
图10显示了行人的目标出口由出口3变为出口4的路径轨迹。显然在现实中拥堵并不总是发生在出口,例如本文的超市场景中,在隔离墙的位置也形成了大量拥堵。模式二仅仅考虑出口的可见范围造成行人接近出口后才改变选择,在通往另一路口的路径中又遇到了后方的拥堵且不能灵活应变;模式三加入了可忍耐排队时间的条件,可以灵活地处理这种情况,且不存在行人穿越高密集逆向人群的不合理现象。
3 结论
本文提出的出口选择模型是从决策者的角度建模,因此除了出口的属性还考虑到了行人的可见距离、忍耐程度、出口偏好等。比较Building EXODUS,对疏散过程中的出口选择的决策模型和触发条件进行了改进。利用本文提出的出口选择模型进行人群疏散模拟以验证模型的合理性,结果显示行人的行为和运动更接近真实,尤其是对具有障碍物和人群分布不均匀的场景具有优势,主要体现在:
1)行人在疏散过程中能够根据静态空间信息和动态人群分布调整目标出口。
2)加入了行人对出口的认识和学习能力,以及对日常出口和应急出口类型的偏好。
3)行人对拥堵的应对更加灵活,能够根据可视范围和等待时间对出口以及非出口处的拥堵情况进行判断,解决了行人穿越高密集逆向人群、在出口间频繁变向等问题。
下一步工作将对模型参数进行分析和修正。考虑到行人在非常接近出口时能够忍受的等待时间更长,未来可对不耐心程度和可接受的等待时间展开进一步研究。
摘要：出口选择是疏散过程中最重要和复杂的决策行为之一,受到空间结构、人群分布和行人认知等多方面因素的影响,为了使疏散仿真能够合理地模拟出行人的寻路和逃生过程,提出了考虑人群拥堵的出口选择模型。该模型基于多元Logit离散选择模型,考虑到影响个体疏散时间的因素以及对不同出口类型的偏好。研究发现个体的疏散时间随着拥堵人群位置的不同而有所差异,从而以决策者而不是出口的角度定义了一个计数区域来估计影响决策者排队时间的人数。并且研究出口重新选择的触发条件和程序。将出口选择模型和程序引入Building EXODUS软件进行疏散仿真,通过对比显示,仿真结果更符合真实情况,特别是在具有障碍物和人群分布不均匀的场景中更显优势。
行为建模 篇4
机动行为模型是作战仿真模型体系中的一类通用模型,它是构建各种作战仿真实体行为模型的基础。目前已经有很多机动模型的构建方法,但这些方法往往只注重模拟机动行为本身的一些因素,比如车辆或分队的机动速度、机动方向、空间位置变化等,对相关机动行为智能性的研究有所欠缺,比如指挥层对机动行为指导不足、执行层在机动过程中情况处置研究不足,使得机动行为模型不能很好的反映真实的战场情况,从而影响了仿真系统的逼真度。
本文以装备保障仿真为例,分析了机动行为产生的任务需求,环境因素对机动行为的影响,描述了装备保障指挥层如何根据环境因素的影响和任务需求选择机动路线,装备保障执行层如何根据战术原则针对各种复杂情况进行处置。
1 装备保障仿真机动行为需求产生分析
从模型体系的构建来说,行为模型是为更好的建立任务模型而产生的。对于每一种任务模型而言,它都是由一系列不同的行为模型组成的,这些行为模型可以是通用的,比如机动行为模型、通信行为模型等,也可以是特殊的,比如装(卸)载行为模型、拖救行为模型、牵引行为模型等。分析机动行为模型的产生,需要分析相应的任务模型,并从任务模型中提取出来。
弹药(器材)保障、战场抢救和战场抢修是装备保障的几种基本业务类型。弹药(器材)保障是弹药(器材)保障分队从后方仓库到作战前沿进行弹药(器材)运输的过程,战场抢救是应急抢救分队驾驶抢救车辆对损坏或淤陷装备进行拖救、牵引和后送的过程,战场抢修是技术修理分队携带修理工具或驾驶工程保障车辆进行战损装备修理和备件供应的过程[1]。可以从这些任务模型中分别提取出关于机动行为的要素,从而构建出通用的机动行为模型。
2 影响机动行为的环境因素分析
在机动过程中用到的环境数据主要有高程、通行性因素、天候条件以及战场实时情况等,在构建环境模型时,必须对这些不同的环境因素进行量化描述,转化为相应的数字信息,才能更好的模拟机动行为。本文主要利用栅格数据结构描述这些环境因素。
2.1 高程因素
高程对机动的影响间接表现为地形坡度对机动的影响,所以要将每一个栅格单元的高程转化为坡度[2]。
栅格单元中心点的高程根据每一个栅格单元的四个已知数据点求出。确定的函数形式为:
Z=a0+a1x+a2y+a3xy
a0,a1,a2,a3是所求的参数。假设四个已知点P1(x1,y1,z1),P2(x2,y2,z2),P3(x3,y3,z3),P4(x4,y4,z4),代入上式,得:
这样中心点就唯一确定了。
计算坡度的方法有多种,拟合曲面法是求解坡度的最佳方法。拟合曲面一般采用二次曲面法,即3×3的窗口,每一个窗口中心为一个高程点。
坡度的计算公式:
坡向的计算公式:
Aspect=Slopesn/Slopewe
式中Slope为坡度,Aspect为坡向,Slopewe为X方向上的坡度,Slopewe为Y方向上的坡度。
2.2 通行性因素
通行性参数主要是由地表的属性信息来反映的,由矢量地图来获取地表属性信息。通行性采用分级描述的方式,首先约定通行性和地形属性的对应关系,不同的通行性级别,对速度的影响也不同,地形类型与通行级别对应关系如表1所示。
矢量结构利用点、线、面描述地理实体,点、线、面分别处于不同的数据层[3]。地表属性数据来源于矢量数据,首先应将它们转化为栅格数据结构,对所有的地理特征都是以同一种方式表示的。一个点用一个单元格来表示;一个区域用相邻的单元集来表示。
转换之后的点、线、面数据处在不同的栅格数据层上,需将数据层进行叠加,具体表现为每一个栅格单元的属性的确定。利用重要性法s(取对机动影响较大的属性值作为栅格单元的属性)来确定。
2.3 天候因素
天候条件影响因素采用分级描述的方式,约定修正系数级别和天候条件的对应关系,不同的修正系数级别对速度的影响也不同。与通行性因素的表示方法类似,这里不进行详细描述。
2.4 敌我情影响因素
敌情影响因素主要包括在机动过程中敌人对装备保障分队采取的兵力、火力的袭扰,障碍物的实时设置等。我情影响因素主要包括指挥机构对保障任务的变更,自身的人员车辆受损,被保障单元的位置变化等。敌我情影响因素的分析,主要用于执行层的机动行为建模,执行层根据这些影响因素进行机动行为的情况处置。
3 装备保障指挥层的机动行为建模
在真实的战场环境中,装备保障分队的各种行为都是在指挥层相应的保障命令下完成的。就机动行为而言,机动命令中所包含的主要内容不仅有机动的起止时间,机动的起始点与终点,最主要的是要有完整的机动路线。这就要求指挥层综合考虑战场环境中的各个要素,按照一定的路径选优算法来确定机动路线,从而使装备保障分队的机动行为具有更高的效率。
3.1 影响因子的确定和表达
(1)坡度因素
可以采用α来描述坡度对速度的影响。坡度在[0,30°]范围内,坡度对速度的影响在[0,1]范围内,可以利用线性插值的方法来求取某一个坡度值对速度的影响。
(2)通行性因素
选取β作为通行性影响因子[4],假设车辆正常的机动速度为V0,在不同条件下的机动速度V=βV0。通行性级别和相应的量化β的对应关系如表2所示。
3.2 装备保障分队机动路线确定
对于单值曲面G(x,y,z)=0,G上的一切曲线Γ,必定能够在XOY平面上找到一条与其对应的投影曲线L,并且是唯一的,那么确定机动路线Γ就可以将问题转化到寻找投影曲线L上来,这样就由分析三维空间转化为分析二维投影平面[5]。确定机动路线的具体流程如图1所示。
机动路线用点序列((x
假设保障智能体的机动目标点在XOY平面上的投影坐标为(xd,yd),RM为一个仿真步长内平均机动距离, L为保障智能体在XOY平面上的中间目标点队列。图2说明了机动路线确定过程中在XOY平面上的投影关系。
4 装备保障执行层的机动行为建模
信息化条件下战场环境极为复杂,敌军的作战和保障行动、友军的作战和保障行动、地形气候的变化等,都不是一成不变的,其变化有一定的随机性,这些活动和变化对于装备保障分队的机动行为会产生不同的影响。在现实的作战和保障过程中,遇到这些复杂的情况,装备保障分队会根据经验或者战术原则做出灵活的反应,调整动作方式或者修改短期任务目标等,及时果断的进行处理,在符合战术原则的条件下完成最终的保障任务。
装备保障分队通过感知行为来了解战场态势,所获取的战场情况不一定是完全准确的,进行决策时必须要考虑各种情况的发生概率[6]。假设所有可行方案A的集合称为决策空间,所有可能状态S的集合称为状态空间,方案的结果用收益函数F表示,F(θ,a)=Qij(i=1,2,…,n;j=1,2,…,m)。状态空间、方案空间和决策函数共同构成一个决策系统,记为(S,A,F)。
Bk(k=1,2,…,p;k≤n)为感知空间,它是通过感知行为对状态空间的划分。当k=n时,装备保障分队对外部自然环境有完全准确的感知,这时状态空间就等于感知空间。装备保障分队面临的决策形势如下:
说明装备保障分队通过感知行为可确定事件发生的唯一状态。上式变为确定型决策问题,最优方案A*满足:
E(Ai/S)=Qik
E(A*/S)=maxE(Ai/Sk)
当B={S1,S2,K,Sk}(k=1,2,…,n)时,这时各自然状态Sk发生的概率θk=m(Bk),这样只要知道每种感知状态的收益Q′ij(i表示方案序号,j表示感知空间中各感知状态的序号),即可求得最优方案A*,于是将一类特殊的不完全决策问题转化为风险型决策问题。
如果Bk中元素只有一个,则此时的Q′ij=Qij;如果Bk中元素有多个,由于此时己经没有其他可用的信息确定Q′ij,这时借用不确定型决策准则中的思想[7]求取Q′ij。然后装备保障分队按期望效用最大的原则来选择方案,最优方案A*满足:
经过以上步骤,充分运用了不完全的感知信息,得出不完全感知信息下的最优行动方案。
5 结束语
机动模型是装备保障行为模型中一种基础模型,关系整个装备保障仿真的实现。本文从分析机动行为的需求产生着手,综合考虑战场环境因素的影响,提出了装备保障指挥层和执行层机动行为的建模方法,提高了装备保障仿真的逼真度。本文对装备保障执行层机动时情况处置的方法研究不够深入,在下一步的研究工作中,将重点研究决策方法的改进,建立更加智能的机动行为模型。
摘要：以装备保障仿真为例,针对装备保障仿真机动行为建模中存在的模型逼真度不高的问题,从机动行为的需求生成、环境因素的分析、指挥层建模、执行层建模四个方面进行了研究,提出了适合装备保障仿真的机动行为建模方法,对解决装备保障仿真中机动行为模型的逼真度具有一定的参考价值和指导意义。
关键词：作战仿真,机动行为,需求生成
参考文献
[1]郭齐胜,罗小明,董志明.装备作战仿真概论[M].北京:国防工业出版社,2007:157-179.
[2]李志林,朱庆.数字高程模型[M].武汉:武汉大学出版社,2001:216-238.
[3]周国义.空间数据库和空间信息系统[D].武汉:武汉大学,2003.
[4]张文诗,董成全.地形通行性的研究[J].解放军测绘学院学报,1996,13(2):143-147
[5]樊胜利,柏彦奇,刘洁.面向装备作战仿真的智能机动模型的设计与实现方法研究[J].军械工程学院学报,2009(6):1-4.
[6]钟立力,王平,田东呵.机动作战路线选择的辅助决策系统模型[J].兵工自动化,2007(7):25-26.
行为建模 篇5
海战CGF(计算机生成兵力)是海战模拟的一个重要组成部分,具有自主决策和自主行动能力,不需要或使用较少的人工交互,就能够自动地对仿真战场环境中的事件和状态做出反应[1]。仿真战场环境中存在着大量的实体,包括我方、敌方和第三方的实体,每个实体的行为模型是一个Agent[2],众多的Agent如何在战场上像人一样的思考与决策,以适应复杂的战场环境[3],完成诸如单个兵力接敌交战决策、编队保持运动队形、目标分配、编队配合作战,以及推理、决策、规划和学习等,这正是本文基于对方意图建模所要解决的问题。
二、多Agent智能兵力行为模型
2.1基于对方意图建模
基于对方意图建模的核心在于意图的识别,因为意图对应于实际的行为规划,这也正是多Agent智能兵力行为模型的目标。本文提到的意图识别包含两个层次的含义:
(1)对方单一实体意图的识别
在该模型中使用感知Agent针对对方单一实体的意图建模,目标是通过分析对方单一实体的行动序列推测其可能的动作行为。
(2)对方群体意图的识别
对方单一实体意图的建模只能分析出简单的个体行为意图,对于信息化条件下的大规模敌人行动就无能为力了。为了解决这个问题,我们在模型中提出通过基本Agent之间的协作方式,分析对方群体的意图以找出其行动计划。这些工作主要是通过基本Agent内部感知Agent之间的合作以及基本Agent之间的协作完成的。
2.2多Agent智能兵力行为模型描述
多Agent智能兵力行为模型由感知Agent、基本Agent、监督Agent和管理Agent组成,如图1所示。系统中基本Agent、监督Agent和管理Agent通过相互协作监督组成了一个多Agent协作系统。其中感知Agent是基本Agent内根据侦察探测到的对方行为情况对对方意图建模的Agent,主要用来识别对方单一实体的行为动作及其意图。基本Agent将多个可疑敌人归结为一个敌人群,对敌方群体行为目的进行意图识别。监督Agent是战场区域内监督Agent,它监督区域内基本Agent的运行状态并对战场上某区域的敌方态势和行为进行监督。管理Agent对整个系统内的监督Agent的状态进行监督管理。
三、模型结构分析
3.1感知Agent的结构
由于战场上对方实体的数量可能会很多,实现对方意图的Agent要求所占资源必须足够小,在模型上需要足够精简。我们对对方意图建立一个简单的Agent模型,如图2所示。对方意图模型由三层组成,分别是:
(1)交互层。当某个基本Agent判断战场上每个实体行为的可能敌对行为时,就根据下面的模型对对方建立一个简单的Agent,以后获取的这个实体的行为就交由该Agent处理,由感知Agent对对方的行为进行评估,识别其行为意图。交互层主要与产生它的基本Agent进行交流,由基本Agent将它所需要的对方情况传送给它,处理后由交互层反馈给基本Agent。
(2)处理层。利用所归属的基本Agent查询规则库对交互层传来的信息进行行为规则匹配与意图识别,在对方单一实体的层次上评估对方可能的行为。
(3)存储层。用来存放处理层的中间过程和结果。
3.2基本Agent的主要功能和结构
基本Agent是运用对方群体意图识别技术,通过相互协商方式进行行为判断的Agent。每个基本Agent负责一定的评估任务,评估行为的某个方面。基本Agent由下面几个部分组成:通信单元、侦察预警单元、信息预处理单元、分析引擎、行为处理单元、用户接口、规则库和感知Agent组成。
下面按照分类详细介绍各部分的功能:
(1)通信单元。提供基本Agent与其它基本Agent以及上层监督Agent进行加密通信的能力,也是基本Agent的数据来源之一。
(2)侦察预警单元。从战场态势中获取需要的信息。
(3)信息预处理单元。对从侦察预警获得的信息进行过滤、抽象化和标准化操作,便于分析引擎对信息进行分析。
(4)分析引擎。基本Agent的核心单元,利用内部感知Agent反馈的各种行为信息,对对方群体进行意图识别,同时与其它基本Agent协作检测并向上层监督Agent报告。
(5)行为处理单元。行为处理模块,指挥兵力采取机动、武器射击、电子干扰等措施。
(6)用户接口。它是用户与基本Agent交互的单元,用户可以向基本Agent中添加新的行为规则信息,也可以对可能的行为进行判断分析并给出结论。
(7)规则库。规则库是基本Agent存储系统规则信息、经预处理后的数据。规则信息包括行为评估方法、对方单一实体意图识别算法、对方群体意图识别算法。所有经过预处理得到的标准化和格式化的数据都保存在数据库中,用来保存对方的行为信息。
3.3监督Agent的主要功能和结构
监督Agent的主要作用是对所在战场区域内其它基本Agent的状态进行监督管理,接收基本Agent发送的各种报告,同其它监督Agent协商以及向上层管理Agent提交各种急需处理的情况。由于监督Agent是从一个战场一定区域的所有基本Agent中选举出来的,与基本Agent的结构基本相同。
3.4管理Agent的主要功能和结构
管理Agent是整个系统的核心单元。管理Agent可以通过大量的学习,获得战场上敌方的各种行为知识,并形成一定的认知。管理Agent在高层监控,一旦对方采取可能不利我的行为,及时向下层监督Agent发出警告。
管理Agent的结构与基本Agent、监督Agent十分相似,所不同的是管理Agent的数据库。管理Agent的数据库中包括了管理Agent、监督Agent、基本Agent推理评估需要使用的所有知识。也就是说,管理Agent的数据库中存放了整个模型需要知识的总和。
3.5系统运行流程
系统工作的流程主要包括两部分,即自底向上过程和自顶向下过程。
3.5.1自底向上处理过程
(1)基本Agent获取战场上敌方的兵力兵器信息,经过预处理后根据兵力种类进行以下分类处理:
(1)对未建立对方模型的兵力兵器通过规则库中的规则分析其可能性,对符合条件的建立对方意图追踪Agent即感知Agent,并将数据交给感知Agent处理。
(2)对已经建立起感知Agent的直接将数据传给感知Agent处理。
(2)获取数据后的感知Agent进行威胁判断等一系列操作,如发现可能的敌对行为则根据威胁等级判断是否需要向基本Agent报告,若发现威胁等级较高则立即报告。
(3)基本Agent接收到感知Agent发送的情况报告时,将其内部感知Agent的各种威胁信息合并起来,并进行联合威胁判断和群体意图识别。
(4)当基本Agent没有发现可疑敌方行为,但监督Agent监测到其可能的敌对行为发生时,基本Agent之间通过相互协作判断敌方情况。
(5)当管理Agent根据综合评估发现对方的敌对行为时,指导监督Agent之间相互协作,共同完成抗击对方可疑行为的任务。
3.5.2自顶向下处理过程
(1)用户通过管理Agent提供的接口向数据库中添加能评估判断新的敌对行为方式的模型,随后管理Agent将模型发送到下层的监督Agent中。监督Agent接收到新的行为模型后,根据战场态势选择要扩充此类行为类型的基本Agent,并将模型发送到基本Agent的数据库中。
(2)基本Agent接收到新的行为模型后,立即更新感知Agent的评估方式,即感知Agent在评估时对这个新模型的规则也进行匹配。
四、关键技术
4.1 Agent状态监测及恢复策略
系统中的基本Agent、监督Agent、管理Agent均能监控自身所处的状态(如负载重、轻、没有负载、工作异常等)、检测其它Agent的状态和回复其它Agent发送的询问请求。Agent之间状态的监督包括下面几种:基本Agent内的监督、监督Agent内的监督、基本Agent与监督Agent之间相互监督,以及管理Agent与监督Agent之间相互监督。状态监督可以保证系统整体的正常运行,当系统中某些Agent出现问题时按照下面的恢复策略进行恢复:
(1)如果监督Age nt发现基本Age nt没有响应状态请求,确定其所在实体正常工作的情况下复制一个新的基本Agent重新开始工作。
(2)如果基本Agent发现监督Agent停止响应,则从区域内中正常工作的基本Agent中选举一个负载最轻的担任监督Agent任务;被选中的监督Agent向管理Agent报告区域内监督Agent的更换信息,确保管理Agent的及时更新。
4.2 Agent安全问题
为保证Agent的安全必须考虑两个问题,即Agent自身的安全和Agent之间的通信。我们对Agent之间的通信采取了加密的方式,这样即使对方捕获了数据包也不容易获取其中的信息,保证了Agent之间信息传输的安全性。
4.3 Agent学习
Agent具有学习能力是智能兵力行为模型能够适应剧烈变化战场态势的重要条件之一,也是当前兵力行为模型研究的一个热点。在本文的智能兵力行为模型中,Agent的学习主要是通过SOAR内部的块机制实现[4]。它的工作原理是通过对过去求解问题经验(即范例)的存储,当Agent通过评估判断或者高层的分析发现新的行为模式时,若现有的规则无法解决,利用它与已知规则的相似性进行求解,同时这一新的情况和问题求解的结果又构成一个新的规则,并将其添加到规则库中,即完成了学习过程。
五、结束语
本文提出了一种基于对方意图建模的多Agent智能兵力行为模型,可以识别对方单一实体的意图和对方的群体意图,适用于信息化条件下复杂战场中兵力的自我决策模型。另外,模型还具备了学习能力,可以识别并评估对方未知的行为模式,并根据情况作出相应的判断。本模型没有采用集中式的控制方式,主要通过Agent之间的协作完成各种行为评估任务,监督Agent和管理Agent本质上是和基本Agent与监督Agent相同的Agent,只是分工的不同而已。
参考文献
[1]杨立功,郭齐胜.计算机生成兵力研究进展.计算机仿真[J].2000.Vol.17No.3
[2]姜本清,张媛,刘文彪,郑荣剑.面向Agent的CGF智能行为建模技术研究.海军杭空工程学院学报[J].Vol.21.No3.389-392
[3]陈永科,江敬灼,张俊学,范虎巍.基于多Agent的一体化联合作战指挥控制系统仿真研究.军事运筹与系统工程[J].
行为建模 篇6
行为建模 (Behavioral Modeling) 功能是PTC软件中特有的功能。它是一个功能扩展模块, 其目的是使CAD软件不但能用于造型, 更重要的是能用于智能设计, 寻找最优解决方案。同时它也是一种参数设计分析工具, 在特定设计意图和设计约束前提下, 经一系列测试参数迭代运算后, 为设计人员提供最佳的设计建议[1]。
现有对行为建模的应用主要集中在产品特征的优化, 如容器容积的优化设计[2,3]。本文将行为建模的方法拓展到型材设计当中去, 在实现产品性能达到目标的情况下, 实现了产品成本的最优。
1 行为建模功能
Pro/E的行为建模模块可以对模型进行多种分析, 包括物理性质、运动情况等测量, 将分析结果反馈到模型, 并自动修改设计。具体分析有:敏感度分析、可行性/优化分析、多目标设计研究。其中优化分析只适用于一个设计目标, 多目标设计研究可以用于解决多个设计目标的优化问题。
2 行为建模的一般步骤
行为建模的一般过程如图1所示[4]。
分析特征属于基准特征的一种, 包括基于模型测量和分析的特征参数、几何图元。其目的是对要设计优化或是可行的参数进行分析。
敏感度分析用于分析获取尺寸或者参数对设计目标的影响程度, 减少优化参数数量和参数范围, 从而加快设计速度。
可行性/优化分析是使系统计算出一些特殊尺寸值且满足某些指定约束, 并从中找出可行的解决方案。
多目标设计研究侧重于处理大量设计变量与设计约束产生矛盾和众多设计目标的情况, 并找出最优设计。
3 型材结构优化设计应用
3.1 设计案例
要求设计一个外形尺寸为30 mm×168 mm×1 500 mm的铝型材, 满足在5 000 N/m2均布载荷的作用下变形不超过3 mm, 且重量最轻。
3.2 建立设计模型
建立图2所示初始模型。
型材可视为简支梁, 简支梁挠度计算公式为
式中:q为均布载荷大小;l为型材受载荷方向长度;E为材料弹性模量;I为惯性矩。
根据式 (1) 求得满足挠度要求下的型材最小惯性矩为2.56×105mm4。
3.3 建立分析特征
对型材的截面属性进行分析。如图3所示, 打开分析→横截面质量属性→选择横截面所在平面→选择特征。在特征选项卡中勾选横截面面积和主惯性矩 (最小) 两个选项。根据分析可得, 初始模型的主惯性矩在 (2.85~6.13) ×105mm4之间, 大于目标惯性矩。
3.4 敏感度分析
通过敏感度分析找到各个参数的合适范围。打开分析→敏感度分析→选择变量尺寸→输入范围→选择出图用的参数MININERTIA (主惯性矩) 。按以上步骤, 对图4中的所有尺寸进行敏感度分析, 可以得到图5所示两大类结果。
从第一张敏感度图中可以看到该尺寸的变化对主惯性矩影响是一条直线, 这也就意味这个尺寸的变化与主惯性矩的大小基本无关, 可以不将该尺寸放入到后续的分析中, 以减少总参数量。
从第二张敏感度图中可以看到该尺寸的变化对主惯性矩的影响是一条斜线, 这意味着这个尺寸的变化和主惯性矩的大小是线性相关的, 需要将该尺寸纳入到后续的分析中去。
3.5 可行性/优化分析
在可行性/优化分析对话框中选择可行性分析, 并在设计约束中添加MININERTIA (主惯性矩) 不小于2.56×105mm4这一约束条件。在设计变量中添加所有相关联的尺寸。进行计算→系统提示已找到可行解决方案。
接着在可行性/优化分析对话框中选择优化分析, 在目标中选择“最小化”“AREA:SECTION”, 将优化目标设定为型材的截面积最小。计算后得到图6所示优化目标收敛图, 表明优化设计已完成。退出优化/可行性界面, 可以得到图7所示优化后的型材形状。
4 结语
型材在机械设计中应用相当广泛, Pro/E的行为建模技术为这类产品的优化设计提供了解决方案。在竞争激烈的今天, 好的产品不仅仅需要具有良好的性能, 更需要实现最优的性价比。
摘要：介绍了基于Pro/E的行为建模技术的基本含义及其功能。针对目前的行为建模技术应用大多局限于产品尺寸优化设计的现状, 阐述了行为建模技术在型材结构优化设计中的应用。证实行为建模技术可以实现产品性能及成本的最优化设计。
关键词：Pro/E,行为建模,型材,优化设计
参考文献
[1]魏艳春, 蹇兴东, 史庆春.Pro/E的行为建模技术[J].组合机床与自动化加工技术, 2006 (12) :25-28.
[2]邓发云.Pro/E行为建模技术在容器设计中的应用[J].机械管理开发, 2010, 25 (2) :193-196.
[3]周建华.三维参数化行为建模技术在包装容器优化设计中的应用研究[J].包装工程, 2005, 26 (4) :76-78.
行为建模 篇7
这里所采用的模型如图1, 瓶身高度为250mm, 瓶口直径为40mm, 瓶身最宽处直径为150mm, 瓶身厚度为2mm, 要求通过瓶身最大处直径的变化, 使得据瓶口30mm处以下的容积为300ml。
2 思路分析
行为建模的思路一般为建立模型———分析模型参数———灵敏度分析———可行性/优化分析———数值判断。
由于该瓶子为抽壳特征, 不容易进行直接分析容积, 我们转而其他方法, 通过抽壳前后体积变化差得到该容积。
3 创建模型
通过旋转特征, 按照相关尺寸要求建立实体模型。抽壳特征稍后再进行创建。如图2。
4 创建分析特征
按照要求, 据瓶口30mm处以下的容积, 我们需要先把据瓶口30mm的基准平面创建出来。我们在进行旋转特征的时候就已经进行了尺寸约束, 故而减少了操作步骤, 由此可见合理的运用基准特征是很重要的。
接下来我们分析容积, 执行“分析”-“模型”-“单侧体积”。平面选择top基准平面, 选择箭头方向, 我们得到了容积, 见图3。接下来进行抽壳, 将瓶口处的平面抽掉, 选择厚度为2mm。继续进行单侧体积分析, 得到结果如图4。
根据思路, 我们需要创建一个函数, 让它等于前后两次体积之差。
执行“插入”-“模型基准”-“分析”, 如图。在分析面板中选择类型为关系, 再生要求为始终, 然后选择下一页进入公式输入页面, 然后输入:
(其中, vol_final为最后容积, one_side_vol为单侧体积, FID为引用公式, 其使用方式为FID_特征名)
5 敏感度分析
进行敏感度分析的目的是得到目标参数的变化随着给定参数变化的规律, 得到较小范围的数值, 减少运算时间。本例中, 目标参数是vol_final, 变化的参数为瓶身最大直径。
“分析”-“敏感度分析”, 根据要求选择变量尺寸和目标参数, 选择合适的变化范围, 本例中为 (135~170) , 然后选择计算, 我们会得到一幅灵敏度变化图, 如图5。
观察图5得知, 纵坐标为Vol_final数值变化, 横坐标为最大直径变化, 当vol_fianl取值300ml时, 横坐标有两个数值满足, 一个在 (150, 155) 范围内, 另一个在 (160, 170) 范围内。记号这两个范围, 关闭敏感度分析。
6 可行性/优化分析
可行性/优化分析是根据指定约束, 软件进行运算得到合理数值。
“分析”-“优化/可行性”, 如图6。
设置研究类型/名称为可行性, 设计约束选择vol_final, 指定值为300000 (300ml) , 设计变量选择瓶身最大直径, 最小最大值分别设置135、170, 然后点击“计算”, 当提示“已完成优化步骤”即可, 我们看到, 最大处直径值被修改为165。165就是我们通过行为建模得到的优化数值。
通过查看函数模型, 我们得到vol_fianl现在数值为2993031.402479 (即299.3ml) , 允许有一点误差, 误差为0.23%。
总结
通过行为建模技术 (BMX) , 设计师只要明确目标参数和变化参数, 在软件中进行适当的设置, 软件往往就能完成设计目的。它是设计师的得力帮手。
摘要：行为建模 (Behavioral Modeling) 功能是PTC软件中特有的功能, 工程师通过它能够在特定的设计意图、设计约束前提下, 综合考虑所要求的机能行为、设计关联与几何, 经一系列测试参数迭代运算后综合, 寻找最优的设计方案。本文通过一个工艺瓶的设计来探讨行为建模技术 (BMX) 在产品设计中的使用。